베이지안 실험 설계를 통한 핵반응 분석 최적화

초록

${}^{3}$He를 이용한 핵반응 분석(NRA)은 깊은 층까지 탈륨(Deuterium) 농도 프로파일을 측정할 수 있는 가능성을 제공한다. 그러나 측정된 데이터를 이용해 깊이 프로파일을 복원하는 과정은 본질적으로 역문제이며, 해가 불안정한 특성을 가진다. 본 연구에서는 베이지안 실험 설계(Bayesian Experimental Design)를 적용하여 측정 횟수와 입사 에너지를 최적화함으로써 정보 이득을 극대화하는 방법을 제시한다. 최적 설계와 기존 표준 설계의 역변환 성능을 비교한 결과, 최적 설계가 제공하는 정보량이 현저히 크게 향상됨을 확인하였다. 또한 사후 샘플링(posterior sampling) 기법을 활용하여 실험 진행 중에도 실시간으로 실험 조건을 조정할 수 있음을 보였다.

상세 요약

핵반응 분석(NRA)은 표적 물질에 고에너지 입자를 조사하고, 반응 생성물의 에너지 스펙트럼을 측정함으로써 시료 내부의 원소 분포를 추정하는 비파괴 분석 기법이다. 특히 ${}^{3}$He 입자를 이용한 NRA는 탈륨(D)과 같은 가벼운 원소의 깊이 프로파일을 수 마이크론까지 탐지할 수 있어, 반도체 공정이나 핵융합 연료 판의 품질 관리 등에 중요한 역할을 한다. 그러나 실제 측정에서는 입사 에너지와 검출 효율, 시료의 에너지 손실 함수 등이 복합적으로 작용해, 얻어지는 스펙트럼을 역으로 깊이 분포로 변환하는 과정이 ‘ill‑posed’ 문제, 즉 작은 측정 오차가 큰 추정 오차로 증폭되는 불안정성을 가진다. 전통적으로는 사전에 정의된 에너지 세트(예: 1 MeV, 2 MeV, 3 MeV 등)와 고정된 측정 횟수를 사용해 데이터를 수집하고, 정규화 최소제곱법이나 Tikhonov 정규화 등을 적용해 해를 구한다. 이러한 접근법은 실험 자원을 비효율적으로 사용하고, 정보 획득량이 제한적이며, 최적의 깊이 해상도를 보장하지 못한다는 한계가 있다.

본 논문이 제시하는 베이지안 실험 설계는 ‘정보 이득(information gain)’을 정량화하는 엔트로피 감소 혹은 Kullback‑Leibler 발산을 목적 함수로 삼는다. 사전 확률 분포는 물리적 제약(예: 탈륨 농도의 비음수성, 최대 농도 한계)과 기존 문헌 데이터를 반영해 설정하고, 각 후보 실험(입사 에너지와 측정 시간)의 사후 분포를 시뮬레이션한다. 그 후, 기대되는 엔트로피 감소가 가장 큰 실험 조건을 선택함으로써, 제한된 실험 횟수와 시간 안에서 가능한 한 많은 정보를 획득한다. 특히, ‘후보 실험 집합’을 연속적인 에너지 범위로 정의하고, 최적화 알고리즘(예: 기대 효용 함수의 그라디언트 기반 탐색 또는 베이지안 최적화)을 적용해 전역 최적점을 찾는다.

또한 저자들은 마르코프 체인 몬테 카를로(MCMC) 기반 사후 샘플링을 이용해 실시간으로 사후 분포를 업데이트하고, 새로운 측정 결과가 들어올 때마다 설계 단계로 되돌아가 최적의 다음 측정 에너지를 재계산한다. 이 ‘인터랙티브 베이지안 설계’는 실험 진행 중에 예상치 못한 시료 특성(예: 급격한 농도 변동 구간)이 드러날 경우, 즉시 측정 전략을 수정할 수 있게 해준다. 결과적으로, 표준 설계 대비 동일한 측정 시간·횟수에서 깊이 프로파일의 재구성 정확도가 수 배에서 수십 배까지 향상되는 것으로 보고되었다.

이러한 접근법은 NRA뿐 아니라 다른 입자 기반 깊이 분석 기법(예: 양성자 방사선 분석, 중성자 반사율 측정)에도 일반화 가능하며, 실험 설계 단계에서 비용·시간·방사선 피폭 등을 최적화하는 프레임워크로 활용될 수 있다. 향후 연구에서는 다중 입자·다중 반응 시스템에 대한 공동 최적화, 그리고 실시간 데이터 스트리밍 환경에서의 고속 베이지안 업데이트 알고리즘 개발이 기대된다.